CN106570153A - 一种海量url的数据提取方法及*** - Google Patents
一种海量url的数据提取方法及*** Download PDFInfo
- Publication number
- CN106570153A CN106570153A CN201610970427.3A CN201610970427A CN106570153A CN 106570153 A CN106570153 A CN 106570153A CN 201610970427 A CN201610970427 A CN 201610970427A CN 106570153 A CN106570153 A CN 106570153A
- Authority
- CN
- China
- Prior art keywords
- data
- text data
- file system
- hive
- hdfs1
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/18—File system types
- G06F16/182—Distributed file systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/10—File systems; File servers
- G06F16/17—Details of further file system functions
- G06F16/174—Redundancy elimination performed by the file system
- G06F16/1744—Redundancy elimination performed by the file system using compression, e.g. sparse files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/955—Retrieval from the web using information identifiers, e.g. uniform resource locators [URL]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种海量URL的数据提取方法,包括以下步骤:S10、利用分布式web服务器框架,分别将各文本数据收集到本地文件池;S20、将所述本地文件池内累加得到的总文本数据上传至hadoop的云端分布式文件***hdfs1;S40、利用hadoop的数据仓库工具hive从所述云端分布式文件***hdfs1内总文本数据中分布式提取URL的关键字。本发明大数据应用场景下,将各文本数据汇聚到本地文件池中后,将总文本数据上传到云端分布式文件***中,再利用hive进行分布式计算来进行分布式提取;具有效率高且消耗资源低等优点。
Description
技术领域
本发明属于数据提取技术领域,尤其涉及海量URL的数据提取方法及***。
背景技术
在互联网飞速发展的今天,对用户在使用网络资源时所表现出来的规律、个性化的习惯进行分析(也就是用户行为分析)后;提取并了解到用户的兴趣。一方面,可以对用户个性化定制与推送,为网站访问者提供更加主动的、智能化的服务。另一方面,从用户行为的不同表现,发现其兴趣和偏好,可以优化页面之间组织关系,完善网站***架构,从而减轻用户寻找信息的负担,使其操作更加简单,节约时间和精力。
目前,在对用户行为进行分析时,由于大型网站一般拥有庞大的在线用户,而产生的实时行为和上下文信息量巨大。因此,***的存储能力和计算速度更强,才能及时地将分析结果反馈给用户。
现有技术中大多数用户行为分析***是直接利用本地关系数据库技术、以及传统的数据提取方法。然而,随着数据海量增加,现有技术中的数据提取方法会消耗大量资源和内存,并且效率低下,不能很好满足海量数据的高效分析。
发明内容
本发明提供的技术方案如下:
本发明提供一种海量URL的数据提取方法,包括以下步骤:S10、利用分布式web服务器框架,分别将各文本数据收集到本地文件池;S20、将所述本地文件池内累加得到的总文本数据上传至hadoop的云端分布式文件***hdfs1;S40、利用hadoop的数据仓库工具hive从所述云端分布式文件***hdfs1内总文本数据中分布式提取URL的关键字。
进一步,还包括以下步骤:S30、所述数据仓库工具hive向开源计算框架TEZ发送计算请求;S31、所述开源计算框架TEZ对所述总文本数据进行压缩编码处理成压缩文本数据,并存储在所述云端分布式文件***hdfs1的数据库中。
进一步,所述步骤S40进一步包括:S41、利用所述数据仓库工具hive的UDF函数从所述压缩文本数据中提取URL的关键字;输出用户访问数据的类型及频率。
进一步,所述步骤S20进一步包括:S21、对所述本地文件池内的文本数据进行提取;S22、按照所述云端分布式文件***hdfs1的块的大小,对所述文本数据进行累加合并成总文本数据;S23、利用本地分布式文件***hdfs2将所述总文本数据上传至所述云端分布式文件***hdfs1。
进一步,所述步骤S21进一步包括:S211、提取所述文本数据的文件名中的路由器MAC和时间戳;S212、识别出所述路由器MAC和时间戳是否遇到乱码;S213、当所述路由器MAC和时间戳遇到乱码时,对所述乱码进行清洗后,跳转至步骤S22;否则,直接跳转至步骤S22。
进一步,在所述步骤S10之前还包括:S01、搭建Hadoop的集群环境,并配置所述数据仓库工具hive、云端分布式文件***hdfs1、本地分布式文件***hdfs2;S02、在所述集群环境中各节点处搭建web服务器分布式集群,并添加负载均衡;S03、实现所述数据仓库工具hive、云端分布式文件***hdfs1、本地分布式文件***hdfs2的建表关联;重构所述数据仓库工具hive的UDF函数。
进一步,在所述步骤S01进一步包括:S011、在Hadoop上搭建第一预设个数的主节点master、第二预设个数的从节点slave;各个主节点master之间相互连接,每个主节点master分别与各个从节点slave相连。
进一步,所述步骤S01进一步还包括:S012、每个主节点master上组建有元数据服务组件metastore、关系数据库mysql。
本发明还提供一种海量URL的数据提取方法的***,包括:web服务器框架,利用分布式web服务器框架,分别将各文本数据收集到本地文件池;本地分布式文件***hdfs2,将所述本地文件池内累加得到的总文本数据上传至hadoop的云端分布式文件***hdfs1;数据仓库工具hive,利用hadoop的数据仓库工具hive从所述云端分布式文件***hdfs1内总文本数据中分布式提取URL的关键字。
进一步,还包括:开源计算框架TEZ,所述数据仓库工具hive向开源计算框架TEZ发送计算请求;所述开源计算框架TEZ对所述总文本数据进行压缩编码处理成压缩文本数据,并存储在所述云端分布式文件***hdfs1的数据库中。
与现有技术相比,本发明提供的海量URL的数据提取方法及***,具有以下有益效果:
1)本发明中在大数据应用场景下,将各文本数据汇聚到本地文件池中后,将总文本数据上传到云端分布式文件***中,再利用hive进行分布式计算来进行分布式提取;具有效率高且消耗资源低等优点。
2)本发明中对总文本数据进行压缩编码处理,压缩后的总文本数据可以减小占用空间,有效地解决了本地关系数据库的资源消耗问题和内存问题;编码后的总文本数据可以使得有序对数据进行提取,保证提取能够顺畅运行。
3)本发明中按照云端分布式文件***的块的大小,对文本数据进行累加合并成总文本数据后;再对总文本数据进行上传;可防止总文本书数据过大,给分布式文件***造成堵塞。
4)本发明中在文本数据的文件名中提取进行路由器MAC和时间戳,当遇到乱码时,对其进行清洗;为顺利提取数据提供保障。
附图说明
下面将以明确易懂的方式,结合附图说明优选实施方式,对一种海量URL的数据提取方法及***的上述特性、技术特征、优点及其实现方式予以进一步说明。
图1是本发明一种海量URL的数据提取方法的流程示意图;
图2是本发明另一种海量URL的数据提取方法的流程示意图;
图3是本发明中步骤S20的流程示意图;
图4是本发明中海量URL的数据提取方法的部分流程示意图;
图5是本发明中步骤S01的部分流程示意图;
图6是本发明一种海量URL的数据提取***的结构示意图;
图7是本发明再一种海量URL的数据提取方法的示意图;
图8是本发明再一种海量URL的数据提取方法的组成结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对照附图说明本发明的具体实施方式。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图,并获得其他的实施方式。
为使图面简洁,各图中只示意性地表示出了与本发明相关的部分,它们并不代表其作为产品的实际结构。另外,以使图面简洁便于理解,在有些图中具有相同结构或功能的部件,仅示意性地绘示了其中的一个,或仅标出了其中的一个。在本文中,“一个”不仅表示“仅此一个”,也可以表示“多于一个”的情形。
如图1所示,根据本发明的一个实施例,一种海量URL的数据提取方法,包括以下步骤:S10、利用Flume采集文本子数据后,聚合成文本数据,并对文本数据进行传输;再利用分布式web服务器框架,分别将各文本数据收集到本地文件池。
S20、将所述本地文件池内累加得到的总文本数据上传至hadoop的云端分布式文件***hdfs1;hadoop是分布式***基础构架。
S40、利用hadoop的数据仓库工具hive从所述云端分布式文件***hdfs1内总文本数据中分布式提取URL的关键字。
具体的,Flume是Cloudera提供的一个高可用的,高可靠的,分布式的海量日志采集、聚合和传输的***,Flume支持在日志***中定制各类数据发送方,用于收集数据;同时,Flume提供对数据进行简单处理,并写到各种数据接受方(可定制)的能力。
hive是基于Hadoop的一个数据仓库工具,可以将结构化的数据文件映射为一张数据库表,并提供完整的sql查询功能,可以将sql语句转换为MapReduce任务进行运行。hive使用的是hadoop的HDFS(hadoop的分布式文件***),hive使用的计算模型是mapreduce。
如图2所示,根据本发明的另一个实施例,一种海量URL的数据提取方法,包括以下步骤:S10、利用Flume采集文本子数据后,聚合成文本数据,并对文本数据进行传输;再利用分布式web服务器框架,分别将各文本数据收集到本地文件池。
S20、将所述本地文件池内累加得到的总文本数据上传至hadoop的云端分布式文件***hdfs1;hadoop是分布式***基础构架。
S30、所述数据仓库工具hive向开源计算框架TEZ发送计算请求;
S31、所述开源计算框架TEZ对所述总文本数据进行压缩编码处理成压缩文本数据,并存储在所述云端分布式文件***hdfs1的数据库中;其中,压缩为ORC压缩;文件存储格式为ORC。
S41、利用所述数据仓库工具hive的UDF函数从所述压缩文本数据中提取URL的关键字;输出用户访问数据的类型及频率。例如:8CAB8EC6CC40 186222539**{"手机":3,"健康":27};8CAB8EB144A8138350092**{"汽车":11,"图片":127,"音乐":26,"招聘":1,"手机":13,"健康":2907,"生活":8,"视频":4,"购物":7,"社交":84,"直播":1};8CAB8EC00880136605272**{"音乐":1,"手机":4,"健康":54,"视频":2,"购物":1,"社交":4}。
具体的,Tez是Apache最新的支持DAG作业的开源计算框架。Tez并不直接面向最终用户——事实上它允许开发者为最终用户构建性能更快、扩展性更好的应用程序。Tez项目的目标是支持高度定制化,这样它就能够满足各种用例的需要,让人们不必借助其他的外部方式就能完成自己的工作,如果Hive和Pig这样的项目使用Tez而不是MapReduce作为其数据处理的骨干,那么将会显著提升它们的响应时间。Tez构建在YARN之上,后者是Hadoop所使用的新资源管理框架。
hive文件存储格式:1.textfile为默认格式,存储方式:行存储,磁盘开销大,数据解析开销大;压缩的text文件hive无法进行合并和拆分。2.sequencefile,二进制文件,以<key,value>的形式序列化到文件中;储方式:行存储,可分割,压缩;一般选择block压缩,优势是文件和Hadoop api中的mapfile是相互兼容的。3.rcfile,存储方式:数据按行分块,每块按照列存储;压缩快,快速列存取;读记录尽量涉及到的block最少;读取需要的列只需要读取每个row group的头部定义。读取全量数据的操作性能可能比sequencefile没有明显的优势。4.orc,存储方式:数据按行分块,每块按照列存储;压缩快,快速列存取;效率比rcfile高,是rcfile的改良版本。5.自定义格式。用户可以通过实现inputformat和outputformat来自定义输入输出格式。
其中,textfile存储空间消耗比较大,并且压缩的text无法分割和合并;查询的效率最低,可以直接存储,加载数据的速度最高。sequencefile存储空间消耗最大,压缩的文件可以分割和合并,查询效率高,需要通过text文件转化来加载。rcfile存储空间最小,查询的效率最高,需要通过text文件转化来加载,加载的速度最低。
如图2、图3所示,根据本发明的再一个实施例,一种海量URL的数据提取方法,包括以下步骤:S10、利用Flume采集文本子数据后,聚合成文本数据,并对文本数据进行传输;再利用分布式web服务器框架,分别将各文本数据收集到本地文件池。
S21、对所述本地文件池内的文本数据进行提取;
所述步骤S21进一步包括:S211、提取所述文本数据的文件名中的路由器MAC和时间戳;
S212、识别出所述路由器MAC和时间戳是否遇到乱码;
S213、当所述路由器MAC和时间戳遇到乱码时,利用Python对所述乱码进行清洗后,跳转至步骤S22;否则,直接跳转至步骤S22。Python是一种面向对象、直译式计算机程序设计语言。
S22、按照所述云端分布式文件***hdfs1的块的大小,对所述文本数据进行累加合并成总文本数据;
S23、利用本地分布式文件***hdfs2将所述总文本数据上传至hadoop的云端分布式文件***hdfs1;hadoop是分布式***基础构架。
S30、所述数据仓库工具hive向开源计算框架TEZ发送计算请求;
S31、所述开源计算框架TEZ对所述总文本数据进行压缩编码处理成压缩文本数据,并存储在所述云端分布式文件***hdfs1的数据库中;其中,压缩为ORC压缩;文件存储格式为ORC。
S41、利用所述数据仓库工具hive的UDF函数从所述压缩文本数据中提取URL的关键字;输出用户访问数据的类型及频率。例如:8CAB8EC6CC40 186222539**{"手机":3,"健康":27};8CAB8EB144A8138350092**{"汽车":11,"图片":127,"音乐":26,"招聘":1,"手机":13,"健康":2907,"生活":8,"视频":4,"购物":7,"社交":84,"直播":1};8CAB8EC00880136605272**{"音乐":1,"手机":4,"健康":54,"视频":2,"购物":1,"社交":4}。
具体的,hadoop和mapreduce是hive架构的根基。Hive架构包括如下组件:CLI(command line interface)、JDBC/ODBC、Thrift Server、WEB GUI、metastore和Driver(Complier、Optimizer和Executor),这些组件可以分为两大类:服务端组件和客户端组件。
服务端组件:1、Driver组件:该组件包括Complier、Optimizer和Executor,它的作用是将我们写的HiveQL(类SQL)语句进行解析、编译优化,生成执行计划,然后调用底层的mapreduce计算框架。
2、Metastore组件:元数据服务组件,这个组件存储hive的元数据,hive的元数据存储在关系数据库里,hive支持的关系数据库有derby、mysql。元数据对于hive十分重要,因此hive支持把metastore服务独立出来,安装到远程的服务器集群里,从而解耦hive服务和metastore服务,保证hive运行的健壮性。
3、Thrift服务:thrift是facebook开发的一个软件框架,它用来进行可扩展且跨语言的服务的开发,hive集成了该服务,能让不同的编程语言调用hive的接口。
客户端组件:1、CLI:command line interface,命令行接口。
2、Thrift客户端:上面的架构图里没有写上Thrift客户端,但是hive架构的许多客户端接口是建立在thrift客户端之上,包括JDBC和ODBC接口。
3、WEBGUI:hive客户端提供了一种通过网页的方式访问hive所提供的服务。这个接口对应hive的hwi组件(hive web interface),使用前要启动hwi服务。
如图2、图3、图4所示,根据本发明的又一个实施例,一种海量URL的数据提取方法,包括以下步骤:S01、搭建Hadoop的集群环境,并配置所述数据仓库工具hive、云端分布式文件***hdfs1、本地分布式文件***hdfs2;对Namenode HA和ResourceManager HA进行设置。
S02、在所述集群环境中各节点处搭建web服务器分布式集群,并添加负载均衡;负载均衡建立在现有网络结构之上,它提供了一种廉价有效透明的方法扩展网络设备和服务器的带宽、增加吞吐量、加强网络数据处理能力、提高网络的灵活性和可用性。
S03、实现所述数据仓库工具hive、云端分布式文件***hdfs1、本地分布式文件***hdfs2的建表关联;重构所述数据仓库工具hive的UDF函数。
S10、利用Flume采集文本子数据后,聚合成文本数据,并对文本数据进行传输;再利用分布式web服务器框架,分别将各文本数据收集到本地文件池。
S21、对所述本地文件池内的文本数据进行提取;
所述步骤S21进一步包括:S211、提取所述文本数据的文件名中的路由器MAC和时间戳;
S212、识别出所述路由器MAC和时间戳是否遇到乱码;
S213、当所述路由器MAC和时间戳遇到乱码时,利用Python对所述乱码进行清洗后,跳转至步骤S22;否则,直接跳转至步骤S22。Python是一种面向对象、直译式计算机程序设计语言。
S22、按照所述云端分布式文件***hdfs1的块的大小,对所述文本数据进行累加合并成总文本数据;
S23、利用本地分布式文件***hdfs2将所述总文本数据上传至hadoop的云端分布式文件***hdfs1;hadoop是分布式***基础构架。
S30、所述数据仓库工具hive向开源计算框架TEZ发送计算请求;
S31、所述开源计算框架TEZ对所述总文本数据进行压缩编码处理成压缩文本数据,并存储在所述云端分布式文件***hdfs1的数据库中;其中,压缩为ORC压缩;文件存储格式为ORC。
S41、利用所述数据仓库工具hive的UDF函数从所述压缩文本数据中提取URL的关键字;输出用户访问数据的类型及频率。例如:8CAB8EC6CC40 186222539**{"手机":3,"健康":27};8CAB8EB144A8138350092**{"汽车":11,"图片":127,"音乐":26,"招聘":1,"手机":13,"健康":2907,"生活":8,"视频":4,"购物":7,"社交":84,"直播":1};8CAB8EC00880136605272**{"音乐":1,"手机":4,"健康":54,"视频":2,"购物":1,"社交":4}。
具体的,负载均衡英文缩写SLB,它的主要算法如下:加权轮询(WRR)算法:为每台分配一个权重,权重表示相对于其他服务器,自身能处理连接的能力。权重为n表示SLB为下一服务器分配流量之前,要为这台服务器分配n条新连接。
加权最小连接(WLC)算法:SLB会将新连接分配给活动连接数最少的真实服务器。为每台真实服务器分配权重m,服务器处理活动连接的能力等于m除以所有服务器权重之和。SLB会将新连接分配给活动连接数远少于其能力范围的真实服务器。
使用加权最小连接(WLC)算法时,SLB使用一种慢启动的方式来控制对新加真实服务器的访问。“慢启动”限制了新连接的建立频率并允许逐渐增加,以此来防范服务器的的过载。
Namenode HA的配置,具体如下:
1.1将hadoop-2.3.0-cdh5.0.0.tar.gz解压到/opt/boh/下,并重命名为hadoop,修改etc/hadoop/core-site.xml。
1.2修改hdfs-site.xml。
1.3编辑/etc/hadoop/slaves;添加hadoop3,hadoop4。
1.4编辑/etc/profile;添加HADOOP_HOME=/opt/boh/hadoop;PATH=$HADOOP_HOME/bin:$HADOOP_HOME/sbin:$PATH;将以上配置复制到所有节点。
1.5启动各项服务;
1.5.1启动journalnode;在hadoop0、hadoop1、hadoop2上执行sbin/hadoop-daemon.sh start journalnode;
1.5.2格式化zookeeper;在hadoop1上执行bin/hdfs zkfc-formatZK;
1.5.3对hadoop1节点进行格式化和启动;bin/hdfs namenode-format;sbin/hadoop-daemon.sh start namenode;
1.5.4对hadoop2节点进行格式化和启动;bin/hdfs namenode-bootstrapStandby;sbin/hadoop-daemon.sh start namenode;
1.5.5在hadoop1和hadoop2上启动zkfc服务;sbin/hadoop-daemon.sh startzkfc;此时hadoop1和hadoop2就会有一个节点变为active状态;
1.5.6启动datanode;在hadoop1上执行命令sbin/hadoop-daemons.sh startdatanode;
1.5.7验证是否成功;打开浏览器,访问hadoop1:50070以及hadoop2:50070,两个namenode一个是active而另一个是standby。然后kill掉其中active的namenode进程,另一个standby的naemnode将会自动转换为active状态。
ResourceManager HA的配置,具体如下:
2.1修改mapred-site.xml。
2.2修改yarn-site.xml。
2.3将配置文件分发至各节点。
2.4修改hadoop2上的yarn-site.xml。
2.5创建目录并赋予权限:
2.5.1创建本地目录;
2.5.2启动hdfs后,执行下列命令;创建log目录;创建hdfs下的/tmp;如果不创建/tmp按照指定的权限,那么CDH的其他组件将会有问题。尤其是,如果不创建的话,其他进程会以严格的权限自动创建这个目录,这样就会影响到其他程序适用。hadoop fs-mkdir/tmp;hadoop fs-chmod-R777/tmp。
2.6启动yarn和jobhistory server;
2.6.1在hadoop1上启动:sbin/start-yarn.sh;此脚本将会启动hadoop1上的resourcemanager及所有的nodemanager。
2.6.2在hadoop2上启动resourcemanager:yarn-daemon.sh startresourcemanager;
2.6.3在hadoop2上启动jobhistory server;sbin/mr-jobhistory-daemon.shstart historyserver。
2.7验证是否配置成功。打开浏览器,访问hadoop1:23188或者hadoop2:23188。
如图2~图5所示,根据本发明的又又一个实施例,一种海量URL的数据提取方法,包括以下步骤:S01、搭建Hadoop的集群环境,并配置所述数据仓库工具hive、云端分布式文件***hdfs1、本地分布式文件***hdfs2;对Namenode HA和ResourceManager HA进行设置。
所述步骤S01进一步包括:S011、在Hadoop上搭建第一预设个数(例如第一预设个数为4)的主节点master、第二预设个数(例如第二预设个数为7)的从节点slave;各个主节点master之间相互连接,每个主节点master分别与各个从节点slave相连。
S012、每个主节点master上组建有元数据服务组件metastore、关系数据库mysql、HiveServer2。通过HiveServer2,客户端可以在不启动CLI的情况下对Hive中的数据进行操作,连这个和都允许远程客户端使用多种编程语言如java,python等向hive提交请求,取回结果。HiveServer2都是基于Thrift的,HiveServer2支持多客户端的并发和认证,为开放API客户端如JDBC、ODBC提供更好的支持。
S02、在所述集群环境中各节点处搭建web服务器分布式集群,并添加负载均衡;负载均衡建立在现有网络结构之上,它提供了一种廉价有效透明的方法扩展网络设备和服务器的带宽、增加吞吐量、加强网络数据处理能力、提高网络的灵活性和可用性。
S03、实现所述数据仓库工具hive、云端分布式文件***hdfs1、本地分布式文件***hdfs2的建表关联;重构所述数据仓库工具hive的UDF函数。
S10、利用Flume采集文本子数据后,聚合成文本数据,并对文本数据进行传输;再利用分布式web服务器框架,分别将各文本数据收集到本地文件池。
S21、对所述本地文件池内的文本数据进行提取;
所述步骤S21进一步包括:S211、提取所述文本数据的文件名中的路由器MAC和时间戳;
S212、识别出所述路由器MAC和时间戳是否遇到乱码;
S213、当所述路由器MAC和时间戳遇到乱码时,利用Python对所述乱码进行清洗后,跳转至步骤S22;否则,直接跳转至步骤S22。Python是一种面向对象、直译式计算机程序设计语言。
S22、按照所述云端分布式文件***hdfs1的块的大小,对所述文本数据进行累加合并成总文本数据;
S23、利用本地分布式文件***hdfs2将所述总文本数据上传至hadoop的云端分布式文件***hdfs1;hadoop是分布式***基础构架。
S30、所述数据仓库工具hive向开源计算框架TEZ发送计算请求;
S31、所述开源计算框架TEZ对所述总文本数据进行压缩编码处理成压缩文本数据,并存储在所述云端分布式文件***hdfs1的数据库中;其中,压缩为ORC压缩;文件存储格式为ORC。
S41、利用所述数据仓库工具hive的UDF函数从所述压缩文本数据中提取URL的关键字;输出用户访问数据的类型及频率。例如:8CAB8EC6CC40 186222539**{"手机":3,"健康":27};8CAB8EB144A8138350092**{"汽车":11,"图片":127,"音乐":26,"招聘":1,"手机":13,"健康":2907,"生活":8,"视频":4,"购物":7,"社交":84,"直播":1};8CAB8EC00880136605272**{"音乐":1,"手机":4,"健康":54,"视频":2,"购物":1,"社交":4}。
具体的,Master/Slave相当于Server和agent的概念。Master提供web接口让用户来管理job和slave,job可以运行在master本机或者被分配到slave上运行。一个master可以关联多个slave用来为不同的job或相同的job的不同配置来服务。
Hive的metastore组件是hive元数据集中存放地。Metastore组件包括两个部分:metastore服务和后台数据的存储。后台数据存储的介质就是关系数据库,例如hive默认的嵌入式磁盘数据库derby,还有mysql数据库。Metastore服务是建立在后台数据存储介质之上,并且可以和hive服务进行交互的服务组件,默认情况下,metastore服务和hive服务是安装在一起的,运行在同一个进程当中。也可以把metastore服务从hive服务里剥离出来,metastore独立安装在一个集群里,hive远程调用metastore服务,可以把元数据这一层放到防火墙之后,客户端访问hive服务,就可以连接到元数据这一层,从而提供了更好的管理性和安全保障。使用远程的metastore服务,可以让metastore服务和hive服务运行在不同的进程里,这样也保证了hive的稳定性,提升了hive服务的效率。
如图6所示,根据本发明的一个实施例,一种海量URL的数据提取***,包括:Hadoop,搭建Hadoop的集群环境,并配置所述数据仓库工具hive、云端分布式文件***hdfs1、本地分布式文件***hdfs2;对Namenode HA和ResourceManager HA进行设置。
优选的,在Hadoop上搭建第一预设个数(例如第一预设个数为4)的主节点master、第二预设个数(例如第二预设个数为7)的从节点slave;各个主节点master之间相互连接,每个主节点master分别与各个从节点slave相连。
每个主节点master上组建有元数据服务组件metastore、关系数据库mysql、HiveServer2。通过HiveServer2,客户端可以在不启动CLI的情况下对Hive中的数据进行操作,连这个和都允许远程客户端使用多种编程语言如java,python等向hive提交请求,取回结果。HiveServer2都是基于Thrift的,HiveServer2支持多客户端的并发和认证,为开放API客户端如JDBC、ODBC提供更好的支持。
在所述集群环境中各节点处搭建web服务器分布式集群,并添加负载均衡;负载均衡建立在现有网络结构之上,它提供了一种廉价有效透明的方法扩展网络设备和服务器的带宽、增加吞吐量、加强网络数据处理能力、提高网络的灵活性和可用性。
实现所述数据仓库工具hive、云端分布式文件***hdfs1、本地分布式文件***hdfs2的建表关联;重构所述数据仓库工具hive的UDF函数。
分布式web服务器框架,利用Flume采集文本子数据后,聚合成文本数据,并对文本数据进行传输;再利用分布式web服务器框架,分别将各文本数据收集到本地文件池。
所述分布式web服务器框架,对所述本地文件池内的文本数据进行提取;提取所述文本数据的文件名中的路由器MAC和时间戳;识别出所述路由器MAC和时间戳是否遇到乱码;当所述路由器MAC和时间戳遇到乱码时,利用Python对所述乱码进行清洗。Python是一种面向对象、直译式计算机程序设计语言。
所述分布式web服务器框架,按照所述云端分布式文件***hdfs1的块的大小,对所述文本数据进行累加合并成总文本数据。
本地分布式文件***hdfs2,利用本地分布式文件***hdfs2将所述本地文件池内累加得到的总文本数据上传至hadoop的云端分布式文件***hdfs1;hadoop是分布式***基础构架。
数据仓库工具hive,所述数据仓库工具hive向开源计算框架TEZ发送计算请求;开源计算框架TEZ,所述开源计算框架TEZ对所述总文本数据进行压缩编码处理成压缩文本数据,并存储在所述云端分布式文件***hdfs1的数据库中;其中,压缩为ORC压缩;文件存储格式为ORC。
数据仓库工具hive,利用所述数据仓库工具hive的UDF函数从所述压缩文本数据中提取URL的关键字;输出用户访问数据的类型及频率。例如:8CAB8EC6CC40 186222539**{"手机":3,"健康":27};8CAB8EB144A8138350092**{"汽车":11,"图片":127,"音乐":26,"招聘":1,"手机":13,"健康":2907,"生活":8,"视频":4,"购物":7,"社交":84,"直播":1};8CAB8EC00880136605272**{"音乐":1,"手机":4,"健康":54,"视频":2,"购物":1,"社交":4}。
如图7、图8所示,根据本发明的再一个实施例,一种海量URL的数据提取方法,包括:搭建Hadoop2.7.1的集群环境(部署4个master,7个slave),并配置好HIVE、HDFS等环境与配置(Hive Metastore、mysql、hiveserver2等组建在一台master上)。并设置好NamenodeHA和ResourceManager HA,使分布式***满足高可用性!各节点搭建tomcat分布式集群,添加负载均衡。实现hive、hdfs的建表关联,开发相对应的hive的UDF函数,并且测试提取功能正常。
通过分布式的web服务器框架,将文本数据收集到本地文件池;通过对文件池里的文件进行清洗、提取、合并,按照HDFS的块的大小进行累加合并;合并完利用local HDFS完成数据的高效上传;再通过自己开发的Hive的UDF函数getNUM来完成对数据中的URL主要关键字提取,完成URL海量数据的高效提取。
运行清洗、合并、上传、高压缩编码、分布式提取的程序;将结果输出和进一步深入分析;通过hive的UDF函数和Hadoop集群的分布式计算,完成海量数据的提取计算,得到用户的访问数据的类型并频次,快速得到用户的上网特征,为用户的产品推荐和服务提供依据。
hive:是apache开源的技术,数据仓库软件提供对存储在分布式中的大型数据集的查询和管理,它本身是建立在Apache Hadoop之上。Hive SQL代表的是以传统基于Mapreduce为核心的SQL语言。
本发明主要是在通过hive的UDF自适应开发功能与Python的清洗、合并、上传及hive的ORC压缩结合,形成了一个高性能的数据提取方法。
应当说明的是,上述实施例均可根据需要自由组合。以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种海量URL的数据提取方法,其特征在于,包括以下步骤:
S10、利用分布式web服务器框架,分别将各文本数据收集到本地文件池;
S20、将所述本地文件池内累加得到的总文本数据上传至hadoop的云端分布式文件***hdfs1;
S40、利用hadoop的数据仓库工具hive从所述云端分布式文件***hdfs1内总文本数据中分布式提取URL的关键字。
2.如权利要求1所述的海量URL的数据提取方法,其特征在于,还包括以下步骤:
S30、所述数据仓库工具hive向开源计算框架TEZ发送计算请求;
S31、所述开源计算框架TEZ对所述总文本数据进行压缩编码处理成压缩文本数据,并存储在所述云端分布式文件***hdfs1的数据库中。
3.如权利要求2所述的海量URL的数据提取方法,其特征在于,所述步骤S40进一步包括:
S41、利用所述数据仓库工具hive的UDF函数从所述压缩文本数据中提取URL的关键字;输出用户访问数据的类型及频率。
4.如权利要求1所述的海量URL的数据提取方法,其特征在于,所述步骤S20进一步包括:
S21、对所述本地文件池内的文本数据进行提取;
S22、按照所述云端分布式文件***hdfs1的块的大小,对所述文本数据进行累加合并成总文本数据;
S23、利用本地分布式文件***hdfs2将所述总文本数据上传至所述云端分布式文件***hdfs1。
5.如权利要求4所述的海量URL的数据提取方法,其特征在于,所述步骤S21进一步包括:
S211、提取所述文本数据的文件名中的路由器MAC和时间戳;
S212、识别出所述路由器MAC和时间戳是否遇到乱码;
S213、当所述路由器MAC和时间戳遇到乱码时,对所述乱码进行清洗后,跳转至步骤S22;否则,直接跳转至步骤S22。
6.如权利要求1~5中任意一项所述的海量URL的数据提取方法,其特征在于,在所述步骤S10之前还包括:
S01、搭建Hadoop的集群环境,并配置所述数据仓库工具hive、云端分布式文件***hdfs1、本地分布式文件***hdfs2;
S02、在所述集群环境中各节点处搭建web服务器分布式集群,并添加负载均衡;
S03、实现所述数据仓库工具hive、云端分布式文件***hdfs1、本地分布式文件***hdfs2的建表关联;重构所述数据仓库工具hive的UDF函数。
7.如权利要求6所述的海量URL的数据提取方法,其特征在于,在所述步骤S01进一步包括:
S011、在Hadoop上搭建第一预设个数的主节点master、第二预设个数的从节点slave;各个主节点master之间相互连接,每个主节点master分别与各个从节点slave相连。
8.如权利要求7所述的海量URL的数据提取方法,其特征在于,所述步骤S01进一步还包括:
S012、每个主节点master上组建有元数据服务组件metastore、关系数据库mysql。
9.一种应用在如权利要求1~8中任意一项所述的海量URL的数据提取方法的***,其特征在于,包括:
web服务器框架,利用分布式web服务器框架,分别将各文本数据收集到本地文件池;
本地分布式文件***hdfs2,将所述本地文件池内累加得到的总文本数据上传至hadoop的云端分布式文件***hdfs1;
数据仓库工具hive,利用hadoop的数据仓库工具hive从所述云端分布式文件***hdfs1内总文本数据中分布式提取URL的关键字。
10.如权利要求9所述的海量URL的数据提取***,其特征在于,还包括:
开源计算框架TEZ,所述数据仓库工具hive向开源计算框架TEZ发送计算请求;
所述开源计算框架TEZ对所述总文本数据进行压缩编码处理成压缩文本数据,并存储在所述云端分布式文件***hdfs1的数据库中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610970427.3A CN106570153A (zh) | 2016-10-28 | 2016-10-28 | 一种海量url的数据提取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610970427.3A CN106570153A (zh) | 2016-10-28 | 2016-10-28 | 一种海量url的数据提取方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106570153A true CN106570153A (zh) | 2017-04-19 |
Family
ID=58541622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610970427.3A Pending CN106570153A (zh) | 2016-10-28 | 2016-10-28 | 一种海量url的数据提取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106570153A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145542A (zh) * | 2017-04-25 | 2017-09-08 | 上海斐讯数据通信技术有限公司 | 从url中高效提取用户客户端id的方法和*** |
CN107193903A (zh) * | 2017-05-11 | 2017-09-22 | 上海斐讯数据通信技术有限公司 | 高效处理ip地址区域定位的方法和*** |
CN107256206A (zh) * | 2017-05-24 | 2017-10-17 | 北京京东尚科信息技术有限公司 | 字符流格式转换的方法和装置 |
CN108133050A (zh) * | 2018-01-17 | 2018-06-08 | 北京网信云服信息科技有限公司 | 一种数据的提取方法、***及装置 |
CN111935215A (zh) * | 2020-06-29 | 2020-11-13 | 广东科徕尼智能科技有限公司 | 物联网数据管理方法、终端、***以及存储装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955502A (zh) * | 2014-04-24 | 2014-07-30 | 科技谷(厦门)信息技术有限公司 | 一种可视化olap的应用实现方法及*** |
CN104111996A (zh) * | 2014-07-07 | 2014-10-22 | 山大地纬软件股份有限公司 | 基于hadoop平台的医保门诊大数据抽取***及方法 |
CN104301182A (zh) * | 2014-10-22 | 2015-01-21 | 赛尔网络有限公司 | 一种慢速网站访问异常信息的查询方法及装置 |
CN105512336A (zh) * | 2015-12-29 | 2016-04-20 | 中国建设银行股份有限公司 | 一种基于Hadoop的海量数据处理方法和装置 |
CN105677842A (zh) * | 2016-01-05 | 2016-06-15 | 北京汇商融通信息技术有限公司 | 基于Hadoop大数据处理技术的日志分析*** |
-
2016
- 2016-10-28 CN CN201610970427.3A patent/CN106570153A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955502A (zh) * | 2014-04-24 | 2014-07-30 | 科技谷(厦门)信息技术有限公司 | 一种可视化olap的应用实现方法及*** |
CN104111996A (zh) * | 2014-07-07 | 2014-10-22 | 山大地纬软件股份有限公司 | 基于hadoop平台的医保门诊大数据抽取***及方法 |
CN104301182A (zh) * | 2014-10-22 | 2015-01-21 | 赛尔网络有限公司 | 一种慢速网站访问异常信息的查询方法及装置 |
CN105512336A (zh) * | 2015-12-29 | 2016-04-20 | 中国建设银行股份有限公司 | 一种基于Hadoop的海量数据处理方法和装置 |
CN105677842A (zh) * | 2016-01-05 | 2016-06-15 | 北京汇商融通信息技术有限公司 | 基于Hadoop大数据处理技术的日志分析*** |
Non-Patent Citations (2)
Title |
---|
CHEN476328361: ""tez控制输出的文件是否压缩并指定文件名"", 《HTTPS://BLOG.CSDN.NET/THINKING2013/ARTICLE/DETAILS/48133137》 * |
XIAOJUN_0820: ""flume学习:flume将log4j日志数据写入到hdfs"", 《HTTPS://BLOG.CSDN.NET/XIAO_JUN_0820/ARTICLE/DETAILS/38110323》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107145542A (zh) * | 2017-04-25 | 2017-09-08 | 上海斐讯数据通信技术有限公司 | 从url中高效提取用户客户端id的方法和*** |
CN107193903A (zh) * | 2017-05-11 | 2017-09-22 | 上海斐讯数据通信技术有限公司 | 高效处理ip地址区域定位的方法和*** |
CN107256206A (zh) * | 2017-05-24 | 2017-10-17 | 北京京东尚科信息技术有限公司 | 字符流格式转换的方法和装置 |
CN107256206B (zh) * | 2017-05-24 | 2021-04-30 | 北京京东尚科信息技术有限公司 | 字符流格式转换的方法和装置 |
CN108133050A (zh) * | 2018-01-17 | 2018-06-08 | 北京网信云服信息科技有限公司 | 一种数据的提取方法、***及装置 |
CN111935215A (zh) * | 2020-06-29 | 2020-11-13 | 广东科徕尼智能科技有限公司 | 物联网数据管理方法、终端、***以及存储装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11711420B2 (en) | Automated management of resource attributes across network-based services | |
US11797558B2 (en) | Generating data transformation workflows | |
Zhang et al. | A survey on emerging computing paradigms for big data | |
US11068439B2 (en) | Unsupervised method for enriching RDF data sources from denormalized data | |
Das et al. | Big data analytics: A framework for unstructured data analysis | |
US9875265B2 (en) | Database table format conversion based on user data access patterns in a networked computing environment | |
CN106570153A (zh) | 一种海量url的数据提取方法及*** | |
CN109964216A (zh) | 识别未知数据对象 | |
CN102915365A (zh) | 基于Hadoop的分布式搜索引擎构建方法 | |
Lai et al. | Towards a framework for large-scale multimedia data storage and processing on Hadoop platform | |
CN105144121A (zh) | 高速缓存内容可寻址数据块以供存储虚拟化 | |
CN107391502B (zh) | 时间间隔的数据查询方法、装置及索引构建方法、装置 | |
Siddiqui et al. | Pseudo-cache-based IoT small files management framework in HDFS cluster | |
CN104408100B (zh) | 结构化网站日志的压缩方法 | |
CN112925954B (zh) | 用于在图数据库中查询数据的方法和装置 | |
CN110781505B (zh) | ***构建方法及装置、检索方法及装置、介质和设备 | |
CN106570151A (zh) | 一种海量文件的数据收集处理方法及*** | |
CN106570152B (zh) | 一种手机号码的海量提取方法及*** | |
US10133713B2 (en) | Domain specific representation of document text for accelerated natural language processing | |
CN109063059A (zh) | 行为日志处理方法、装置及电子设备 | |
Gupta et al. | Efficient query analysis and performance evaluation of the NoSQL data store for bigdata | |
CN112889039A (zh) | 用于克隆后租户标识符转换的记录的标识 | |
US11809992B1 (en) | Applying compression profiles across similar neural network architectures | |
CN106484379B (zh) | 一种应用的处理方法及装置 | |
CN110175150A (zh) | 基于数据压缩的迎宾机器人数据存储监控*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170419 |